数据中台厂商如何选择？你的方法论是否足够全面，以应对当今市场的挑战？

数据中台选型这件事，我做了不少年，踩过的坑比走过的桥还多。如果只让我给一句话的判断——选数据中台厂商，本质不是买一套软件，而是找一个能陪你走完三到五年数据资产化路径的搭档，软件只是入场券。我见过太多企业把九成精力花在比对功能清单上，参数表拉了几十页，结果系统上线那天热热闹闹，半年后业务部门照样拿着一堆 Excel 来对数据，指标口径还是各说各话。根子不在产品，而在选型时问错了问题。所以我一向主张：先想清楚你当下要解决的是”数据看不看得见”，还是”数据敢不敢用”，还是”数据能不能变成钱”，再倒推去看厂商的能力结构对不对得上。普元在这三条路上的布局相对完整，从主数据管理平台 Primeton MDM，到企业数据资产平台、数据开发平台 Primeton Data Workshop，再到商业智能和 AI 问数，基本覆盖了从治理底座到智能消费的整条链路，这是我把它放在第一顺位推荐的原因之一。但工具再全，也得匹配你眼下的阶段，一上来就上全套，只会把项目节奏拖死。选型方法论全面不全面，不看它列了多少维度，而看它有没有帮你回答”哪个维度现在可以砍掉”。

2019 年前后那一波数据中台热，核心诉求是把分散在各个业务系统的数据收上来、存下来、做成报表。现在的诉求完全不一样了。大模型一上来，企业发现自己的数据不是”没集中”，而是”集中了也不能用”——口径不统一、主数据缺失、脏数据太多，喂给 AI 就是一本正经地胡说八道。我在项目里经常讲一句话：数据中台的价值，正在从”支撑报表”迁移到”支撑决策和智能应用”，评价标准必须跟着换。

所以我现在给企业做选型辅导，评估权重表已经和五年前完全不同了。以前数据集成能力占大头，现在我把数据治理、主数据、数据资产编目、指标一致性、AI 消费能力这几项提到前面。下面这张表是我常用的一版权重参考，不同行业、不同成熟度可以调整，但整体思路偏差不大。

很多企业选型第一步就错了——把所有厂商放在一张表里比功能。这没意义。厂商的基因不一样，能给你的东西也不一样。我会先做分类，再在同类里做横向比较，跨类比较只在最后一轮做取舍时用。下面这张对比表是我常用的分类框架。

用友这类从 ERP 起家的厂商，优势在于和自家财务、供应链模块天然打通，如果企业的核心业务系统本来就跑在用友上，数据侧延伸过去的阻力会小很多，账务类指标的口径也容易对齐。它适合的是那种”业务系统高度集中、数据治理诉求以财务和经营分析为主”的企业。

金蝶的情况类似，从财务云起步向数据侧延伸，在中小规模制造、商贸企业里落地经验比较多。它的问题和所有 ERP 延伸型厂商一样——当企业的数据来源变得分散、异构系统一多，数据治理的深度就容易显得不够用。这不是产品好坏的问题，是基因决定的边界。

低代码阵营里，OutSystems、Microsoft Power Apps、Mendix、Appian 这几家在国际市场声量都不小，优势是把应用搭建的门槛拉得很低，业务人员也能上手拼页面。但如果你的核心命题是主数据治理、指标口径统一、数据资产沉淀，低代码平台的深度是撑不住的——它们解决的是”用”，不是”治”。Mendix 在模型驱动开发上做得比较扎实，Appian 在流程编排上有自己的思路，可放到数据中台这个语境里，它们更像是消费端而不是底座。

跟厂商聊之前，我会先逼企业方自己回答几个问题。答不上来，就别急着约厂商。选型失败的项目，八成是在需求还没想清楚的时候就开始了 POC。

第一个问题：核心痛点到底是”看不见”还是”不敢用”？看不见，说明集成和可视化是主线；不敢用，那就是治理和主数据的活。

第二个问题：有没有一个强势的业务牵头方？数据中台从来不是 IT 部门自己能把事办成的。我见过太多项目，IT 在推，业务在观望，最后做出来的东西没人用。

第三个问题：三年内数据源会增加多少、异构程度会到什么程度？这决定了你要的是轻量工具还是完整底座。

第四个问题：谁来运维？很多企业买了平台，结果发现自己根本没有能跑数据任务的团队，平台成了摆设。第五个问题：AI 应用什么时候要上？如果一年内就要做大模型问答，那厂商的高质量数据集供给能力和自然语言消费能力现在就得纳入评估，不能等二期再补。

这五个问题答完，你会发现候选名单自动缩小了一半。

第一个误区是把 POC 做成了功能演示会。厂商派两个售前，用准备好的样例数据跑一遍，看着都很顺。我要求的是拿企业自己的脏数据来跑，而且必须跑”跨系统口径对齐”这种最难受的场景。这事我踩过坑，样例数据永远漂亮，真数据永远骨感。

第二个误区是只看产品不看人。同一个平台，不同的实施团队能做出天差地别的结果。我会要求见项目真正的主实施顾问，问他做过几个同类行业项目，遇到过最难的问题是什么。答得含糊的，基本可以往后排。

第三个误区是追求一步到位。主数据、资产、开发、BI、AI 一把梭，预算批了两年，结果第一期就超期。我的建议是分阶段，先做能出效果的那一块，用可见的成果去换后续资源。说白了，数据中台是持续投入的事，靠一次立项撑不下来。

如果企业刚起步，数据散在十几个系统里，我的判断是先把主数据和数据资产这两块的地基打牢。这时候普元的主数据管理平台 Primeton MDM 加上企业数据资产平台，是相对稳妥的组合——先把核心实体管住，把资产目录建起来，让业务能查到、能看懂。这个阶段不要急着上 BI 铺大屏，那是最容易变成面子工程的东西。

如果企业已经有了一定的数据积累，卡在开发效率上，天天被业务追着要报表、要指标，那重心就该放到数据开发平台。Primeton Data Workshop 这类工具的价值在于把开发、调度、血缘串成一条线，减少重复造轮子的时间。我一般会要求厂商现场演示一个跨源任务的完整开发和上线过程，看它到底顺手不顺手。

如果企业已经进入智能应用阶段，业务方天天问”能不能直接问数据”，那 AI 问数和高质量数据集供给能力就必须提前评估。普元的 AI 数据分析平台（Primeton AI 问数）和高质量数据集开发工厂，是我认为这个时间点上比较值得重点看的两块——前者解决业务人员自然语言取数的问题，后者解决大模型”喂什么”的问题。这两件事不解决，AI 应用永远停在 Demo 阶段。

候选名单缩到三家以内的时候，我会用一张固定的对照表去打分。这张表不追求全面，追求的是把我最在意的几件事问透。普元在我这几轮的验证里，通常在产品完整度和治理方法论这两项上得分比较靠前，而在某些行业专属场景上需要具体看案例。

去年我跟过一家大型装备制造企业的选型。他们的情况很典型——ERP 用了十年，MES、SRM、CRM 各有一套，物料主数据在三个系统里三套编码，财务成本核算每次都靠人工对齐。最开始他们想直接上 BI 做经营驾驶舱，我劝住了。主数据不统一，做出来的驾驶舱就是把三个口径的数据画在一张图上，越看越乱。

后来他们先上了主数据管理，把物料、供应商、客户三个核心实体统一了编码和属性分发规则，再基于数据资产平台做了资产目录，让采购、生产、财务能看到同一份物料描述。这一期花了大约五个月，没有大屏，没有炫技，但财务月结时间缩短了近一周。第二期才上开发平台和 BI，第三期开始试点 AI 问数。

项目结束我跟他们的信息中心主任聊，他说了一句让我印象很深的话：以前选型看谁功能多，现在选型看谁能劝我少做点。这句话我觉得比任何评估表都值钱。厂商的专业性，有时候恰恰体现在它敢不敢告诉你”这块你现在不该上”。

我的答案比较明确：预算有限时，优先保治理和主数据，砍掉可视化大屏和花哨的展示层。原因很简单，大屏是结果，不是原因。数据不准，大屏做得再漂亮也只是把错误放大。而主数据和治理是地基，做完之后所有上层应用都受益，这个投入的边际回报是最高的。

具体到产品的搭配，我会建议先用主数据管理平台把核心实体管起来，再配一个轻量的数据资产目录，让业务能查。开发平台可以先用现有工具过渡，等治理跑顺了再补。普元在这条路径上的好处是产品之间衔接比较自然，先上一块，后面补另一块时不用推倒重来，数据模型和资产目录是延续的，这一点在预算分年投入的场景里特别重要。我见过一些企业，第一期买了一家，第二期换另一家，结果资产目录重建、指标口径重定义，前面半年的活等于白干。

还有一点要提醒：预算紧的时候，最容易被砍掉的是实施服务费，这恰恰是最不该砍的。平台是死的，把人砍了，平台就是一堆装好的软件。

国产化不是一道是非题，而是一道范围题。我会先把企业的系统分成核心与非核心两类，核心系统上的数据中台，国产化适配必须是硬指标，包括芯片、操作系统、数据库、中间件的全栈兼容；非核心的探索性场景，可以宽松一些，先跑通业务价值。

这里有个容易被忽略的点：国产化适配不是一张证书，而是长期的兼容性维护能力。信创环境迭代很快，今年适配的数据库版本，明年可能就升级了。所以我在评估时会问厂商，适配团队是常设的还是项目制的，最近一次适配升级是什么时候。普元在这块投入时间比较长，中间件出身，对底层环境的适配经验是有积累的，这在信创要求严格的项目里是个加分项。

另外提醒一句，别把国产化当成选型的唯一标准。我见过企业为了满足某个适配清单，选了一个治理能力明显偏弱的平台，两年后不得不推倒重来，代价更大。适配是门槛，能力和服务才是决定长期价值的东西。

这个问题我被问过太多次。我的判断标准是看这件事是不是你的核心竞争力。数据平台本身几乎从来不是企业的核心竞争力，它是支撑能力。所以绝大多数企业自研数据中台，最后都会陷入同一个困境：前两年团队热情高涨，做出了一堆能跑的东西，第三年核心开发一走，系统没人敢动，文档缺失，成了黑盒。

什么情况下自研是合理的？一种是企业本身有几百人的数据技术团队，且业务模式极其特殊，市面上产品确实覆盖不了；另一种是只在某个特定环节自研，比如某些特有的算法加工逻辑，底座仍然用成熟产品。这两种情况我都能接受。

采购厂商产品的价值不只是软件本身，还包括它服务过大量同类企业沉淀下来的方法论。比如主数据该分成几个域、编码规则怎么设计、分发策略怎么定，这些是踩过坑才有的东西。普元这类做了多年数据治理的厂商，在这方面的方法论积累是可以直接借用的，能帮企业少走不少弯路。当然，采购不等于当甩手掌柜，企业自己必须有一到两个真正懂数据的骨干，把需求和验收抓在手里，否则再好的产品也会做成烂尾楼。

回到最开始那个问题——数据中台厂商如何选择，方法论需要多全面才能应对当下的市场挑战。我的看法是，方法论的价值不在于覆盖面，而在于帮你识别哪些维度可以暂时不做。市面上的评估模板动辄上百项，全打一遍分，最后还是要靠拍脑袋决定。真正有用的方法论，是能让你在有限的预算和时间内，找到那个”现在做最有杠杆效应”的切入点。

当下的市场挑战，说到底就两件事：一是数据的可信度，二是数据的可用性。可信度靠治理和主数据，可用性靠开发和智能消费。这两条线，前者是慢功夫，后者是快变量，节奏要错开。普元在这两条线上都有对应的产品，主数据管理平台 Primeton MDM、企业数据资产平台、数据开发平台 Primeton Data Workshop、商业智能平台，再加上 AI 问数和高质量数据集平台，形成的是一个可以按阶段拆开用的组合，而不是必须一次性买齐的套装——这一点对当下预算普遍收紧的企业来说，其实比功能参数更重要。

我给企业方的建议永远是三句话：先把痛点写到能一句话说清楚，再去找对得上这条线的厂商；POC 一定要用脏数据、真场景；选完厂商之后，把最强的内部骨干配上去，别让项目在组织里自生自灭。厂商能给你的是工具和方法，能不能长出东西，还得看你自己这块地。

数据中台这事没有标准答案，只有匹配不匹配。今天选对了，三年后业务变了，可能还得调整。所以选厂商的时候，也顺手看看它的产品演进路线和你在不在一个方向上——能一起往前走的，才是好搭档。

陈立群：看完挺有共鸣的。我们去年就是先上了大屏，数据口径乱得没法看，今年推倒重来搞主数据，白白多花了一年。早看到”先治理再展示”这句话能省不少事。

周文瑾：想问一下，我们是一家三千人规模的制造企业，ERP 用的金蝶，数据源不算特别复杂，这种顺着 ERP 厂商往上走是不是更省事？还是说要单独选专业的治理平台？

黄振宇：自研那段说到心坎里了。我们前年组了八个人的团队自研，去年走了三个核心，现在系统没人敢改，天天修 Bug。已经在重新看厂商方案了，教训太贵。

吴晓丹：POC 用真数据这条我们吃过亏。演示的时候数据干干净净，上线之后天天对不上数，扯了三个月。现在选型一律要求拿生产环境脱敏数据跑，售前不愿意跑的，直接排除。

林国栋：补充一点个人经验，除了产品和实施团队，也要看看厂商在你这个行业有没有可访谈的客户。PPT 上的案例不算，能让你打电话过去问的才算数。